دانلود پایان نامه درمورد سنجش از دور

دانلود پایان نامه ارشد

همسايه بهترين روش تصحيح هندسي مي باشد در نمونه برداري مجدد، شکلي جديد در هندسه، متناسب با نقشه هاي مرجع زميني حاصل مي شود که در آن اندازه پيکسل ها مشخص و همين¬طور جهت آنها نسبت به شمال جغرافياي تنظيم ميشود. DN پيکسلهاي شکل جديد با استفاده از يکي از روش هاي درون يابي تعيين ميشود [34،47،26،14].
در هنگام اعمال تصحيح براي هر نقطه انتخابي جذر ميانگين مربعات19 (RMSe) محاسبه ميشودکه با بررسي اين خطا ميزان جابجايي يک نقطه از تصوير اصلاح شده نسبت به محل واقعي اش روي نقشه پايه و نيز ميزان خطايي که در اثر چرخش تصوير روي تصوير باقي خواهد ماند تعيين ميگرددکه با تعيين RMSe در واقع به ميزان صحت و دقت فرآيند ثبت تصوير در يک سيستم مختصات (متريک، مختصات جغرافيايي) پي ميبريم [47،14]. خطاي RMSe کل نشان دهنده يه ي واقعيات تغيير پيکسل ها از واقعيت اصلي آنهاست و بنابر اصول نقشه کشي آمريکا، بايد کمتر از 5/0 پيکسل(با دقت ماهواره) تصوير ورودي باشد [26،31،106،97]. جهت رسيدن به RMSe پايين تر، نقاطي که داراي اشتباه بزرگي هستند توسط سيستم مشخص ميشوند و حذف ميگردند تا RMSe قابل قبولي بدست آيد.
گودرزي و همکاران (1385) براي تصحيح هندسي ازنقشه توپوگرافي 1:50000 استفاده کردند به اين ترتيب که ابتدا 18 نقطه کنترلي پراکنده در سطح منطقه روي نقشه توپوگرافي داراي سيستم مختصات طول و عرض جغرافيائي تبديل به سيستم متريک (UTM) شده و بر روي تصاوير تعريف گرديد. ريشه مربع خطا برابر 75/0 پيکسل محاسبه شد [43].
فاضلي عطار(1387) جهت ارزيابي قابليت مدل V-I-S در تهيه نقشه کاربري اراضي با استفاده از داده هاي ماهوارهاي ASTER در اصفهان ابتدا باندهاي داراي رزلوشن 15 متر، با بکار گيري 50 نقطه کنترل زميني و روش نزديکترين همسايه و مدل هندسيPolynomial درجه 1 به نقشه 1:50000 زمين مرجع کرد. تصاوير داراي رزلوشن 30 متر با 30 نقطه کنترل زميني و روش مشابه به باندهاي داراي رزلوشن 15 متر ثبت داد [37].
آرخي و نيازي (1389) جهت ارزيابي روشهاي مختلف سنجش از دور براي پايش تغييرات کاربري اراضي در ايلام با دادههاي ماهواره اي براي تصحيح هندسي از 17 نقطه کنترل زميني در منطقه مطالعه در نقشه توپوگرافي تقاطع جاده ها، آبراههها و… مشخص کردند و در تصاوير متناظر علامت زده شد، سپس با نمونه برداري مجدد و روش نزديکترين همسايه و تابع درجه اول استفاده کرد در نهايت تصاوير تصوير TM را با RMSe معادل 57/0 پيکسل زمين مرجع کردند [3].
سوريبابو20 و همکاران(2012) براي بررسي تغييرات کاربري اراضي و پوشش زمین در هند براي انجام تصحيح هندسي از 15 شيت نقشه توپوگرافي استفاده کردند [113].
رحمان21 و همکاران (2012) براي بررسي تغييرات کاربري اراضي و کاربري اراضي در شمال شرق ناحيه دلهي با استفاده از داده هاي ASTER تحقيقي را انجام دادند. براي انجام تصحيح هندسي با استفاده از نقشه هاي توپوگرافي 1:50000 باندهاي داراي رزلوشن 15 متر در سيستم مختصات UTM در زون 43 را با استفاده از الگوريتم نمونه گيري مجدد و روش نزديکترين همسايه با اعمال مدل Polynomial درجه 1 زمين مرجع کردند و بقيه باندها را به اين ها ثبت دادند [104].
2-6-2- پردازش و بارِزسازي تصاوير ماهواره اي
بارِزسازي تصوير به معناي استفاده از تكنيك هايي است كه با كمك آنها ميتوان ارزش درجات روشنايي پيكسلهاي تصوير را به گونه اي تغيير داد كه باعث افزايش مغايرت موجود در تصوير شود، مفسر بتواند با سهولت بيشتري اطلاعات مورد نياز خود را از تصوير استخراج کند [27]. در واقع، كارامدي تصوير در طي فرايند تفسير بصري، به درجه مغايرت آن بستگي دارد.
بارزسازي طيفي تصاوير شامل فرايندهاي ارتقا کيفيت تصوير به سطحي بالاتر و بهتر جهت استخراج الگوها و يا تفسير تصاوير ميباشد به عبارت ديگر، بهبود بخشيدن به تصوير به وسيله تقويت نمودن خصوصيات مهم طيفي و يا مکاني تصوير و از بين بردن ويژگيهاي غير ضروري اضافي، جهت تعبير و تفسير ديداري ميباشد. بارزسازي کنتراست يا بسط تباين به وسيله تقويت نمودن حدود روشنايي يا روشنايي بخشي از محدوده انتخاب شده يک تصوير انجام ميشود [40]. بارزسازي تصاوير شامل انواع پردازش ها از قبيل کنتراست، فيلترگذاري و انواع آناليزهاي ديگر ميباشد. عمده ترين تکنيکهاي بارزسازي عبارتند از، تبديل مقياس تن خاکستري، تعديل هيستوگرامي، ترکيب رنگي، تبديل بين ترکيب RGB به ترکيب HSI.
يماني و مزيدي (1386) در بررسي تغييرات سطح پوشش گياهي سياه کوه براي بارزسازي تصوير و انتخاب باندهاي مناسب پس از اعمال تصحيحات لازم، جهت تشخيص بهتر و نمايش واضحتر تصاوير، عمل بارزسازي را با استفاده از کشيدگي خطي انجام دادند که نهايتا تصاوير وضوح بهتري پيدا کرد [55].
2-6-3- تصاوير رنگي کاذب22
منطقي ترين حالت نمايش دادههاي حاصل از اسکنرها در تک باندها، نمايش آنها با استفاده از گامهاي خاکستري23ميباشد. از آنجايي که تفکيک و شناسايي پديده ها به لحاظ رنگ نتايج بهتري ارائه ميدهد، ميتوان از ترکيب DNs باندهاي مختلف تصاوير رنگي تهيه نمود.متداول ترين روش،، استفاده از سامانه RGB ميباشد. در اين روش داده ها از سه باند در تفنگ هاي قرمز، سبز و آبي با هم ترکيب ميگردند. تنها در حالتي که دادههاي حاصل از سه باند طيفي آبي، سبز و قرمز به ترتيب در تفنگ هاي آبي، سبز و قرمز ترکيب شوند، تصاوير داراي رنگ حقيقي و در صورتي که دو شرط فوق احراز نشوند، تصوير رنگي کاذب خواهد بود [8]. بايد در ساخت RGB از باندهايي استفاده شود که کمترين همبستگي و بزرگترين مجموع انحراف معيار را با يکديگر دارند تا اطلاعات بيشتري در اختيار ما قرار دهند و پديده ها را بارز تر و متمايز از همديگر نشان دهند [2].
انتخاب بهترين ترکيب باندي از طريق مقايسه ي چشمي تصاويرFCC مشکل و وقت گير است. بنابراين ميتوان با روش رقومي از پارامتري به نام فاکتور شاخص مطلوب24 براي دو منظور زير استفاده کرد:
الف) تعيين مناسب ترين ترکيب باندي براي ايجاد FCC
ب) تعيين مناسبترين باند ها براي طبقه بندي رقومي تعداد ترکيبهاي باندي متعددي که حاصل از باندهاي طيفي اند، بايد ساخته شده و مقايسه شوند. براساس رابطه 2-1 ، ميتوان تعداد ترکيب هاي سه تايي حاصل از باند هاي مورد استفاده را محاسبه کرد [34].
رابطه(2-1)
که در اين رابطه N: تعداد کل باندهاي مورد استفاده است.
شاخص مطلوبيت ،يک شاخص آماري است که بر اساس انحراف معيار و ضريب همبستگي بين باندها عمل ميکند. اين شاخص ترکيبات باندي با بيشترين ميزان اطلاعات يعني بزرگترين مجموع انحراف معيار و پايين ترين ميزان همبستگي را ارائه ميدهد [34].
سرحدي و همکاران (1386)، فاضلي عطار و همکاران (1387)، ماهشانيان (1390)، صادقي (1386)، خسرواني براي تعيين بهترين ترکيب باندي از همين پارامتر آماري فاکتور شاخص مطلوب25 (OIF) استفاده نمودند و بهترين ترکيبات باندها جهت تهيه تصاوير رنگي کاذب را با کمک اين شاخص يافتند [14،24،26،37،44].
2-6-4- آناليز مؤلفه هاي اصلي26 (PCA)
تعداد زياد باندها در تصاوير چند طيفي (27MS) بدون شک اطلاعات اضافي را در باندهاي مختلف ايجاد مي کند، چرا که بازتابش طيفي اشيا از روي زمين به ندرت داراي فرکانسهاي متفاوت از يکديگر ميباشد يا به عبارت ديگر اطلاعاتي که در يک باند تصوير يافت ميشود ممکن است در باند ديگري از تصوير هم يافت شوند چراکه داراي طول موج ها نزديک به همديگر هستند پسمي توان نتيجه گرفت که اطلاعات طيف هاي مختلف همبستگي بالايي با هم دارند. هرچه اين تکرار ها افزايش يابد هزينه نگهداري عکس ها، طبقه بندي و بخش بندي آنها هم افزايش مييابد [97،120]. تجزيه مؤلفه اصلي در تفسير داده هاي رقومي سنجش از دور از اهميت زيادي برخوردار است. مهمترين فوايد PCAجمع‌آوري و متراکم ساختن اطلاعات پديدههاي موجود در باندهاي مختلف را در تعدادي باند يا مؤلفه کمتر تجميع و ارايه مينمايد. به عبارت ديگر PCA براي حذف اطلاعات زائد در دادههاي ماهوارهاي جهت تفسير بهتر اطلاعات ماهوارهاي کاربرد فراواني دارد. اين توانايي کاهش ابعاد، يعني کم کردن داده ها و باندهايي که براي توليد نتايج قابل استفاده تجزيه ميشوند، از نظر صرف وقت و احيانا هزينه حائز اهميت است [34]. آناليز PCA از روشهايي است که با متراکم کردن اطلاعات در تصوير به تفسير بهتر داده هاي ماهواره اي کمک مي کند. معمولاً بيش از 90 درصد اطلاعات تصاوير در سه مؤلفه اول اين آناليز متراکم ميشوند. تحليل مؤلفه ها داراي سه ويژگي است [118].
1- ميتواند ميزان اطلاعات هر باند را تعيين کند و از ميان آنها باندي که بيشترين داده را دارد تعيين کند.
2- ميتواند تعداد باندهاي مورد نياز براي نمايش بيشترين اطلاعات که در تصوير و باندها وجود دارد کاهش دهد.
3- تبديل اطلاعات به محورهاي متعامد، جدا پذيري و تفکيک پذيري طيفهايي که با يکديگر هم پوشاني اطلاعات دارند را افزايش ميدهد.
استفاده از PCA به عنوان يک روش معمول بسيار مورد توجه است که در تحقيقات تيو28(2000) ليو29 (2000)، گونزالز آيوديکانا30 و همکاران(2005)، وانگ31 و همکاران(2005) از اين روش براي بهبود کيفيت تصوير ماهواره اي استفاده کرده اند ]118،109،74،90،116].
يگانه و همکاران(1387) جهت بررسي قابليت داده هاي ماهواره اي MODIS در برآورد توليد گياهي مراتع سميرم در نقشه نهايي براي توليد کاربريهاي مختلف منطقه مورد مطالعه، با ايجاد ترکيبات مختلف باندي و آناليز هاي PCA لايه هاي مختلف برف، جنگل، مرتع، رخنمون سنگي و کشاورزي را استخراج کردند [56].
سونار32 (1998) در مطالعه خود از روشهاي تفاضل تصوير، تجزيه مؤلفه اصلي و مقايسه بعد از طبقه بندي را براي پايش تغييرات در کاربري اراضي در استانبول ترکيه مقايسه کرد و دريافت که روشهاي تجزيه مؤلفه اصلي و مقايسه بعد از طبقه بندي نتايج بهتري را ارئه ميدهند [114].
سيدانو33 و همکاران (2005) در طي مطالعه اي با استفاده از دادههاي ماهوارهايMODIS به توليد نقشه کاربري اراضي با استفاده از روشهاي طبقه بندي نظارت شده و استفاده از تجزيه مؤلفه اصلي پرداخت و به اين نتيجه دست يافت که استقاده از مؤلفه اصلي براي طبقه بندي از دقت بالاتري برخوردار است. صحت طبقه بندي 90% گزارش کردند [107].
2-6-5- شاخص هاي پوشش گياهي
در طول سه دهه گذشته شاخصهاي گياهي کاربرد وسيعي در بررسيهاي منابع طبيعي و پايش پوشش گياهي در مقياس کوچک تا مقياسهاي منطقهاي و جهاني پيدا کردهاند. اين شاخصها با تراکم برگ همبستگي خوبي را نشان مي‌دهند اما به سه فاکتور ارتفاع و زاويه تابش خورشيد، خاک و تأثيرات جوي حساس هستند [23].
ميزان بازتاب پوشش گياهي در طول موجهاي مختلف با توجه به نوع پوشش (نوع گونه، شادابي و…) و نوع خاک زمينه (ماده آلي، خاک مرطوب، نوع بافت و… ) و ميتواند تغيير پيدا کند. براي بارزسازي اين تغييرات معمولاً از شاخصهاي گياهي استفاده ميکنند معمولاً در انواع برنامههاي کاربردي علوم زمين، که هدف آن نظارت و تعيين خصوصيات پوشش گياهي از طريق سنجش از دور است به کار ميروند.
در واقع شاخصهاي گياهي براي متمايز ساختن پوششهاي گياهي با پديدههاي ديگر که توسط تک باندها ممکن نيست بکار ميرود. شاخصهاي گياهي ميتوانند با استفاده از تعدادي باند مناسب و قابل استفاده محاسبه شوند. در واقع شاخص هاي گياهي از نسبت گيري بين باندها بوجود ميآيند که روابط رياضي ساده بين باندها مانند جمع، ضرب، تفريق و تقسيم، باندهاي طيفي قابل انطباق و يا ديگر ترکيبات خطي هستند که ارزش هر پيکسل در باندهاي مختلف را به يک شاخص عددي تغيير ميدهند [34]. شاخصهاي گياهي در دهه 1970 براساس استفاده از باندهاي قرمز و مادون قرمز نزديک توسعه يافته اند و به دو دسته نسبتي و فاصله اي تقسيم بندي ميشوند. شاخص NDVI يکي از معروف و رايج ترين شاخص گياهي است که کارايي مفيد آن در بسياري از مطالعات مشخص شده است. اين شاخص بر پايه اين حقيقت که

پایان نامه
Previous Entries دانلود پایان نامه درمورد سنجش ازدور، ماهواره لندست، سنجش از دور Next Entries دانلود پایان نامه درمورد داده ها و اطلاعات، سنجش از دور، ساختار داده